Pros y Contras de scikit-learn

Los usuarios que deseen conectar los algoritmos a sus plataformas encontrarán documentación detallada de la API en el sitio web de scikit-learn.

Muchos colaboradores, autores y una gran comunidad internacional en línea respaldan y actualizan Scikit-learn.

Es fácil de usar.

La biblioteca se publica bajo la licencia BSD, por lo que está disponible de forma gratuita con solo las restricciones legales y de licencia más básicas.

El paquete scikit-learn es extremadamente adaptable y útil, y puede usarse para una variedad de tareas del mundo real, como desarrollar neuroimágenes, predecir el comportamiento del consumidor, etc. Reseña recopilada por y alojada en G2.com.

No es una gran elección si se prefiere un aprendizaje en profundidad.

Proporciona una abstracción simple que puede tentar a los científicos de datos principiantes a continuar sin aprender primero los conceptos básicos. Reseña recopilada por y alojada en G2.com.

Me gusta lo dinámica que es la biblioteca scikit-learn. Proporciona funciones precargadas y listas para usar para todo tipo de algoritmos de aprendizaje automático y preprocesamiento de datos. Reseña recopilada por y alojada en G2.com.

La única desventaja es la falta de soporte nativo para las bibliotecas de aprendizaje profundo. Reseña recopilada por y alojada en G2.com.

Scikit-learn está construido sobre bibliotecas numéricas eficientes, como NumPy y SciPy, que proporcionan implementaciones optimizadas de operaciones matemáticas y numéricas. Esto asegura que la biblioteca pueda manejar grandes conjuntos de datos y cálculos complejos de manera eficiente, contribuyendo a su robustez y escalabilidad. Reseña recopilada por y alojada en G2.com.

Si bien scikit-learn ofrece una variedad de herramientas para la selección, extracción y transformación de características, no ofrece amplias capacidades de ingeniería de características automatizadas que se encuentran en algunas bibliotecas especializadas. Los usuarios pueden necesitar diseñar o seleccionar manualmente características basadas en su conocimiento del dominio o explorar otras bibliotecas o técnicas de ingeniería de características. Reseña recopilada por y alojada en G2.com.

Lo mejor, según yo, es que hay documentación disponible de scikit-learn. Así que, si a veces me resulta difícil aplicar algunos algoritmos, puedo consultar la documentación, lo cual me ayuda. Me gusta esto. Scikit-learn también proporciona muchos conjuntos de datos integrados para que pueda usarlos con fines de práctica. Scikit-learn viene con muchos algoritmos de aprendizaje automático, lo que me facilita implementar algoritmos. Me gusta que venga con muchas funciones de manipulación de datos para limpiar mis datos según mis requisitos. Reseña recopilada por y alojada en G2.com.

Una cosa que no aprecio particularmente es que no tiene ningún algoritmo de aprendizaje profundo. Si quiero desarrollar algún algoritmo listo para producción, entonces scikit-learn no es tan bueno en comparación con sus competidores. Reseña recopilada por y alojada en G2.com.

La biblioteca scikit-learn es muy fácil de importar y está lista para usar en la plataforma Python. También contiene algunos conjuntos de datos de muestra para probar algoritmos de aprendizaje automático. Reseña recopilada por y alojada en G2.com.

No hay ningún punto que me desagrade en la biblioteca scikit-learn. La mayoría de los algoritmos de aprendizaje automático más utilizados, así como los recientes, están disponibles para su uso. Reseña recopilada por y alojada en G2.com.

Lo que me gusta de Scikitlearn es su documentación, claridad y versatilidad del kit. Reseña recopilada por y alojada en G2.com.

Hasta ahora, no hay nada que me desagrade. Reseña recopilada por y alojada en G2.com.

Sesión informativa y herramientas avanzadas para el aprendizaje. Reseña recopilada por y alojada en G2.com.

La duración del tiempo, el clip debería ser más y más elaborado. Reseña recopilada por y alojada en G2.com.

Es muy útil al principio para la minería de datos y el análisis de datos. Fácil de usar. Proporciona máxima eficiencia con mínimo esfuerzo. Procesamiento de datos, regresión, reducción de dimensiones, clasificación, análisis de clústeres son las características que utilizo. Es completamente gratuito. Reseña recopilada por y alojada en G2.com.

Se ejecuta lento en conjuntos de datos grandes. Puede mejorar en la clasificación. Reseña recopilada por y alojada en G2.com.

I really like it when I solve any Machine learning problem, It has a lot of inbuilt ML models that are tough to implement but here those are easy to use. Reseña recopilada por y alojada en G2.com.

I feel that It should have much more good deep Neural network models Reseña recopilada por y alojada en G2.com.

El mejor aspecto de este marco es la disponibilidad de algoritmos bien integrados dentro del entorno de desarrollo de Python. Es bastante fácil de instalar en la mayoría de los IDEs de Python y relativamente fácil de usar también. Muchos tutoriales son accesibles en línea, lo que complementa la comprensión de esta biblioteca, permitiendo volverse competente en aprendizaje automático. Claramente fue construido con una mentalidad de ingeniería de software y, sin embargo, es muy flexible para proyectos de investigación. Al estar construido sobre múltiples bibliotecas basadas en matemáticas y datos, scikit-learn permite una integración perfecta entre todas ellas. Poder usar arrays de numpy y dataframes de pandas dentro del entorno de scikit-learn elimina la necesidad de transformación de datos adicional. Dicho esto, uno definitivamente debería familiarizarse con esta biblioteca fácil de usar si planea convertirse en un profesional orientado a los datos. ¡Podrías construir un modelo de aprendizaje automático simple con solo 10 líneas de código! Con toneladas de características como validación de modelos, división de datos para entrenamiento/prueba y varias otras, el enfoque de código abierto de scikit-learn facilita una curva de aprendizaje manejable. Reseña recopilada por y alojada en G2.com.

Un problema que ha persistido y me ha preocupado desde hace bastante tiempo es la falta de capacidades de transformación de variables categóricas (es mucho más fácil en bibliotecas como tensorflow). Es comparativamente más lento que tensorflow cuando se trata de grandes conjuntos de datos y esto es algo que debería adoptarse pronto, especialmente en la era de las tecnologías de big data. Sin embargo, con la frecuencia de las actualizaciones, creo que la mayoría de los problemas se resuelven muy rápidamente, lo que lo convierte en un paquete robusto para el desarrollo de aprendizaje automático. Reseña recopilada por y alojada en G2.com.